-
公开(公告)号：CN106788629A
公开(公告)日：2017-05-31
申请号：CN201611080726.6
申请日：2016-11-30
申请人： 哈尔滨工业大学
IPC分类号： H04B7/0413 , H04B7/06 , H04L25/02
摘要： 基于信道估计的用于波束选择的低复杂度波束形成方法，涉及无线通信系统中用于选择波束的波束形成技术。本发明是为了降低RF波束搜索所需的系统复杂性和时间。本发明在支持波束形成方案的无线通信系统中，由接收机选择射频波束的方法包括：基于发射设备的数量来确定发射参考信号的参考信号间隔的数量；通过重复地估计全信道信息，基于参考信号间隔的数量执行部分信道估计，以及基于全信道信息为每个发射机选择接收RF波束和发送RF波束。本发明适用于无线通信场景。
-
公开(公告)号：CN109241981B
公开(公告)日：2022-07-12
申请号：CN201811021166.6
申请日：2018-09-03
申请人： 哈尔滨工业大学
IPC分类号： G06V10/44 , G06K9/62 , G06V10/77 , G06V10/774 , G06V10/764
摘要： 为了提高目标跟踪的准确性，本发明提供一种基于稀疏编码的特征检测方法，属于计算机视觉领域的目标跟踪技术领域。本发明包括：S1、利用基于局部阈值的FAST角点检测算法来提取局部特征点，并计算特征点的局部梯度方向，以特征点为中心采样图像块，作为训练样本；S2、根据特征点的局部梯度方向对字典元素进行分组训练获得过完备字典；S3、利用得到的字典对测试样本进行稀疏表示，然后对图像块分块，构建稀疏特征，根据该稀疏特征的检测器实现目标跟踪。本发明利用稀疏编码学习目标的稀疏特征，提高目标跟踪的准确性和鲁棒性。根据图像块的局部梯度方向分别训练不同分组的字典元素，以反映图像块的局部方向信息，提高目标跟踪的准确性。
-
公开(公告)号：CN106981072B
公开(公告)日：2019-07-16
申请号：CN201710181660.8
申请日：2017-03-15
申请人： 哈尔滨工业大学
摘要： 目标跟踪中基于多示例学习思想的训练样本选择方法，涉及计算机视觉领域的目标跟踪技术。本发明是为了解决目标跟踪中传统监督学习算法面临的“弱标记”样本的缺陷，导致无法保证准确对样本进行标记的问题。本方法：将所有正样本放入一个正样本包中，将对关于包的对数似然函数贡献较小的样本视为较差的样本。采用迭代的方式，每次迭代从正样本包中移除最差的样本，直到正样本包中剩余足够数量的样本。本发明在跟踪准确性方面优于其他评估算法，同时具有较高的帧率，满足实时性要求。
-
公开(公告)号：CN109241981A
公开(公告)日：2019-01-18
申请号：CN201811021166.6
申请日：2018-09-03
申请人： 哈尔滨工业大学
摘要： 为了提高目标跟踪的准确性，本发明提供一种基于稀疏编码的特征检测方法，属于计算机视觉领域的目标跟踪技术领域。本发明包括：S1、利用基于局部阈值的FAST角点检测算法来提取局部特征点，并计算特征点的局部梯度方向，以特征点为中心采样图像块，作为训练样本；S2、根据特征点的局部梯度方向对字典元素进行分组训练获得过完备字典；S3、利用得到的字典对测试样本进行稀疏表示，然后对图像块分块，构建稀疏特征，根据该稀疏特征的检测器实现目标跟踪。本发明利用稀疏编码学习目标的稀疏特征，提高目标跟踪的准确性和鲁棒性。根据图像块的局部梯度方向分别训练不同分组的字典元素，以反映图像块的局部方向信息，提高目标跟踪的准确性。
-
公开(公告)号：CN106981072A
公开(公告)日：2017-07-25
申请号：CN201710181660.8
申请日：2017-03-15
申请人： 哈尔滨工业大学
CPC分类号： G06K9/6278 , G06K9/6256 , G06T2207/10016 , G06T2207/20081 , G06T2207/30232
摘要： 目标跟踪中基于多示例学习思想的训练样本选择方法，涉及计算机视觉领域的目标跟踪技术。本发明是为了解决目标跟踪中传统监督学习算法面临的“弱标记”样本的缺陷，导致无法保证准确对样本进行标记的问题。本方法：将所有正样本放入一个正样本包中，将对关于包的对数似然函数贡献较小的样本视为较差的样本。采用迭代的方式，每次迭代从正样本包中移除最差的样本，直到正样本包中剩余足够数量的样本。本发明在跟踪准确性方面优于其他评估算法，同时具有较高的帧率，满足实时性要求。
-
-
-
-
搜索结果
5 条记录 (耗时 0.027 秒)